❤️ 如果你也关注大模型与 AI 的发展现状，且对大模型应用开发非常感兴趣，我会快速跟你分享最新的感兴趣的 AI 应用和热点信息，也会不定期分享自己的想法和开源实例，欢迎关注我哦！
微信公众号｜搜一搜：蚝油菜花
🚀 快速阅读
- MLE-bench 是 OpenAI 推出的全新基准测试工具，专为评估 AI 代理在机器学习工程任务中的表现而设计。
- 该工具包含 75 个来自 Kaggle 的竞赛任务，覆盖多个领域，全面模拟真实机器学习工程挑战。
- MLE-bench 提供标准化评估平台，支持 AI 代理自主完成任务流程，助力算法研究和教育应用。
正文（附运行示例）
MLE-bench 是什么
MLE-bench 是 OpenAI 开发的一款创新性基准测试工具，用于全面评估 AI 代理在机器学习工程任务中的表现。它包含了 75 个来自 Kaggle 的竞赛任务，覆盖了自然语言处理、计算机视觉和信号处理等多个领域，提供了一个标准化的评估平台。在这个平台上，AI 代理可以自主完成从理解任务描述、数据预处理、模型训练到结果提交的整个流程，最终根据排行榜得分来评估其能力。
MLE-bench 的主要功能
- 性能评估：为 AI 代理在机器学习工程任务中的表现提供标准化的评估。
- 任务模拟：精选 75 个 Kaggle 竞赛任务，模拟真实的机器学习工程挑战。
- 自主执行：支持 AI 代理在没有人类干预的情况下，自主完成整个任务流程。
MLE-bench 的技术原理
- 数据集和任务设计：从 Kaggle 选取 75 个不同领域的竞赛，形成多样化的任务集合。
- 代理执行框架：提供必要的工具和接口，支持 AI 代理执行各项操作。
- 自动化评估：基于 Kaggle 竞赛排行榜，自动评估 AI 代理的性能。
- 资源管理：支持调整计算资源和时间限制，研究这些因素对 AI 代理性能的影响。
如何运行 MLE-bench
安装和设置
首先，确保你已经安装了 Git-LFS 来处理大型文件：
bash
git lfs fetch --all
git lfs pull然后，使用 pip 安装mlebench：
bash
pip install -e .准备数据集
使用 Kaggle API 下载并准备数据集，确保你的 Kaggle 凭证（kaggle.json）放置在~/.kaggle/目录中：
bash
mlebench prepare --all你也可以为特定竞赛准备数据集：
bash
mlebench prepare -c <competition-id>评分提交
提交文件必须为 CSV 格式，使用mlebench grade命令进行评分：
bash
mlebench grade <PATH_TO_JSONL_FILE>例如，为 Spaceship Titanic 竞赛评分：
bash
mlebench grade-sample <PATH_TO_SUBMISSION> spaceship-titanic环境配置
构建基础 Docker 镜像：
bash
docker build --platform=linux/amd64 -t mlebench-env -f environment/Dockerfile .资源
- MLE-bench GitHub 仓库：https://github.com/openai/mle-bench/
- MLE-bench 技术论文：https://arxiv.org/pdf/2410.07095
- Kaggle API：https://github.com/Kaggle/kaggle-api
- Git-LFS：https://git-lfs.com/
❤️ 如果你也关注大模型与 AI 的发展现状，且对大模型应用开发非常感兴趣，我会快速跟你分享最新的感兴趣的 AI 应用和热点信息，也会不定期分享自己的想法和开源实例，欢迎关注我哦！
微信公众号｜搜一搜：蚝油菜花